[发明专利]基于卷积神经网络的激光选区熔化熔池图像分析系统

说明书

本发明公开了一种基于卷积神经网络的激光选区熔化熔池图像分析系统，包括熔池图像采集模块、图像预处理模块、熔池图像分类识别模块、图像重组模块、熔池形貌特征分析模块、数据可视化模块和数据存储模块；熔池图像采集模块采集的熔池图像经过图像预处理模块的预处理后，依次经过熔池图像分类识别模块、图像重组模块、熔池形貌特征分析模块，进而对激光选区熔化过程中熔池的质量进行评价；数据可视化模块对分类识别的结果和熔池质量评价结果进行显示，数据存储模块对所有数据进行存储。本发明可以实时监测熔池状态，快速处理熔池监控中的大量图像数据，分析激光选区熔化过程中可能出现的质量问题。

技术领域

本发明涉及增材制造技术领域，尤其涉及基于卷积神经网络的激光选区熔化熔池图像分析系统。

背景技术

不同于铸造和锻造部件中出现的缺陷，激光选区熔化部件存在许多独有的缺陷，例如孔隙率大、熔合不良、形状畸变等，这些缺陷的形成与激光选区熔化过程中粉末的冶金参数、打印工艺等密不可分。因此，研究者必须更好地理解激光选区熔化中各种加工参数与产品性能之间的复杂关系，才能实现减少产品缺陷、提高制造质量的目的。

为了理解这些参数与最终制造质量之间的关系，目前学者提出了两种驱动方式：一种是物理驱动，即研究人员通过建立各种物理模型，以一种清晰、准确的方式对这种关系进行描述，但是由于缺乏对激光选区熔化的深入理解，这些模拟研究只能集中于整个激光选区熔化过程的一个或两个方面，通过这些物理驱动的方法不可能在短时间内快速准确地预测整个激光选区熔化过程；除了上述物理驱动模型外，数据驱动的模型也已广泛应用于增材制造领域，这些模型统一称为机器学习算法(Machine Learning，ML)。数据驱动的优势在于其不需要构建一系列基于物理过程的方程，而是根据以前的数据自动学习输入特征和输出目标之间的关系。在机器学习方法中，神经网络(Neural Network，NN)算法最为广泛使用，并且由于当前大量可用的数据和计算资源，以及其先进的算法结构，该算法目前正在快速发展。

激光选区熔化在线监测硬件可以从多个传感器获得大量过程参数信息与数据，将这些加工参数信息数据作为神经网络的输入，经过神经网络的数据清洗、特征提取、特征选择、数据挖掘等过程，就可实现加工参数与产品质量之间复杂的非线性关系的表征，最终可以进行缺陷判别和质量分析，进而就能实现对激光选区熔化过程的全闭环控制。

目前，国内乃至国外都还没有一套完整的能够对激光选区熔化过程中熔池图像进行评价分析的系统，在进行激光选区熔化熔池图像评价分析时往往需要人为去处理一些参数才能够得到最终的分析结果，不仅耗时较长，还可能存在人为因素导致的分析结果不精确等问题。

发明内容

针对上述存在的问题，本发明旨在提供一种基于卷积神经网络的激光选区熔化熔池图像分析系统，能够实时采集激光选区熔化过程中的熔池图像，基于卷积神经网络进行评价分析，避免了人为因素导致的误差，能够实时对熔池中的情况进行监测评价，评价结果精确度高，所需时间较短。

为了实现上述目的，本发明所采用的技术方案如下：

基于卷积神经网络的激光选区熔化熔池图像分析系统，其特征在于，包括熔池图像采集模块、图像预处理模块、熔池图像分类识别模块、图像重组模块、熔池形貌特征分析模块、数据可视化模块和数据存储模块；

所述熔池图像采集模块对激光选区熔化过程中的熔池图像进行采集，输入至图像预处理模块进行预处理；

所述图像预处理模块对输入的熔池图像进行预处理，然后输出至熔池图像分类识别模块进行熔池图像的分类识别；

所述熔池图像分类识别模块基于卷积神经网络模型，对预处理后的熔池图像进行熔池、溅射的分类与识别，并将分类识别的结果输出至图像重组模块进行拼接重组；

所述图像重组模块将熔池图像分类识别模块输出的分类图像进行标记，通过图像拼接重组恢复出分类标记的熔池、溅射全貌图像，并将结果输入至熔池形貌特征分析模块；